echomimic_v2

收录理由

把一张静态照片和一段音频丢进去，EchoMimicV2 就能让画面里的人开口说话、做出手势。它做的是半身动画，嘴唇、表情、头部转动和上半身动作都会跟着音频走，不只是脸在动。代码来自蚂蚁集团的研究团队，论文被 CVPR 2025 接收，附带英文和中文的预训练权重，还提供了加速的单 GPU 推理路径。想上手试试的话，有 Gradio 和 ComfyUI 界面，不用自己搭流程；不过毕竟属于研究性质的软件，装依赖、下模型、调配置这些步骤躲不掉。花点时间折腾下来，对正在做口播视频原型或虚拟形象演示的团队来说挺值。项目里还带 EMTD 数据集处理脚本，给做音频驱动动画研究的人打了个不错的地基。